羅 杰 石增玲 劉濟(jì)寧 劉明龍 王連剛

（山東科技大學(xué)，山東 青島 266590）

0 引言

隨著國內(nèi)外電動汽車的應(yīng)用與發(fā)展，電動汽車作為重要的電力負(fù)荷，將對我國電力系統(tǒng)的規(guī)劃與運(yùn)行產(chǎn)生不可忽視的影響，如何實(shí)現(xiàn)其有序充電以減小對電網(wǎng)的影響成為亟待解決的課題。本文通過建立不同目標(biāo)函數(shù)的數(shù)學(xué)模型，基于模擬退火算法和粒子群優(yōu)化算法，提出實(shí)現(xiàn)有序充電的調(diào)度策略，最后對電動汽車的發(fā)展做了展望。

1 電動汽車發(fā)展現(xiàn)狀

目前世界各國汽車企業(yè)陸續(xù)開發(fā)出了有自己特色的新能源汽車。電動汽車按動力來源來劃分，大體可以分為三種類型：純電動汽車（BEV）、混合動力電動汽車（HEV）、燃料電池電動汽車（FCEV）。 美國最早開始燃料電動汽車的研發(fā)，通用汽車公司早在1968年生產(chǎn)出第一輛燃料電池的電動汽車，美國政府提出到2015年美國要實(shí)現(xiàn)100萬輛混合式電動汽車的目標(biāo)表明美國電動汽車的研究重點(diǎn)從燃料電池型轉(zhuǎn)向了混合動力型；而日本混合動力電動汽車技術(shù)已趨于成熟，其中豐田汽車公司走在該領(lǐng)域的前沿；歐洲側(cè)重于純電動轎車和燃料電池公共汽車的研發(fā)，主攻柴油機(jī)、生物燃料、氫燃料市場化的工作。

2012年3月27日，我國科學(xué)技術(shù)部以國科發(fā)計(jì)〔2012〕195號印發(fā)《電動汽車科技發(fā)展“十二五”專項(xiàng)規(guī)劃》，詳細(xì)規(guī)劃了電動汽車發(fā)展戰(zhàn)略與目標(biāo)，提出了科技創(chuàng)新的重點(diǎn)任務(wù)，國家研發(fā)計(jì)劃的實(shí)施和輕型電動汽車產(chǎn)業(yè)的突飛猛進(jìn)發(fā)展為整個電動汽車行業(yè)造就了多層次的技術(shù)研發(fā)和生產(chǎn)大軍。

2 實(shí)現(xiàn)電動汽車有序充電調(diào)度的理論依據(jù)

有序充電[1]是指當(dāng)電動汽車接上電源后，在滿足電網(wǎng)約束條件以及用戶使用客觀需求的條件下，由調(diào)度中心控制開始充電的時間以及電動汽車充電功率的大小，車主不能主觀改變?nèi)我鈺r刻的充電曲線。

實(shí)現(xiàn)電動汽車的有序充電，對電動汽車的充電行為進(jìn)行控制，本質(zhì)上是把電動汽車電池作為分散式的儲能裝置，把其當(dāng)作可調(diào)度的電網(wǎng)資源，在電網(wǎng)負(fù)荷處于低谷時充電，相反，在電網(wǎng)負(fù)荷處于高峰時退出充電，即發(fā)揮削峰填谷的作用?？偟膩碚f，系統(tǒng)優(yōu)化的方法多種多樣，比如二次規(guī)劃法、模擬退火算法、進(jìn)化算法、粒子群算法、DIRECT算法、神經(jīng)網(wǎng)絡(luò)算法等。本文則采用粒子群優(yōu)化算法以及模擬退火算法對電動汽車充電調(diào)度進(jìn)行分析。

2.1 基于模擬退火算法的充電調(diào)度優(yōu)化

模擬退火算法（Simulated Annealing，SA）是一種擬物算法,最早由Krikpatrick在1983年提出。由于物理退火過程和一般優(yōu)化問題具有普遍的相似性，因此Krikpatrick把退火的思想引入到處理實(shí)際問題中來，通過Monte Carlo迭代策略創(chuàng)造性的提出了求解組合優(yōu)化問題的行之有效方法，稱為模擬退火算法。

模擬退火算法是模擬固體物質(zhì)的退火原理，利用Mertopolis抽樣的策略在解空間中進(jìn)行不定向搜索[2]，對當(dāng)前“隨機(jī)抽樣、產(chǎn)生新解→計(jì)算目標(biāo)函數(shù)差→選擇接受或是舍棄”進(jìn)行迭代，不斷重復(fù)抽樣的過程，最終便能夠得到問題的全局最優(yōu)解。

Mertopolis抽樣策略在取值范圍內(nèi)存在著從一個值跳變到另一個值得情況，在模擬退火算法中，從變量i到跳變到變量j的這種狀態(tài)的變化，我們可以表述為：

其中，△=f(i)-f(j),f(i)是函數(shù)在變量在取i時的解，f(j)是函數(shù)在變量取j時的解；t表示當(dāng)前的溫度，Pt(i?j)表示從狀態(tài)i到狀態(tài)j是否被系統(tǒng)所采納這樣一個狀態(tài)的轉(zhuǎn)化過程。因此，我們在區(qū)間（0,1）上的隨機(jī)取得的一個數(shù)值，如果Pt(i?j)的值大于隨機(jī)數(shù)，那么這個迭代過程產(chǎn)生的新解將系統(tǒng)采納以作為當(dāng)前解，否則便不采納系統(tǒng)產(chǎn)生的新解。接下來不斷重復(fù)這一過程，不斷產(chǎn)生新解，不斷取舍。這個過程會不斷重復(fù)，直到取得最優(yōu)解。模擬退火算法流程圖如圖1所示，其計(jì)算步驟如下：

圖1 模擬退火算法流程圖

1）初始化：首先選擇初始溫度t0，需要注意的是，此時的溫度要足夠高；接下來令t=t0，接著系統(tǒng)便隨機(jī)產(chǎn)生初始解S，在這種情況下，我們便可以得到在t不同的情況下，不同的Mapkob的鏈長L。

2）在這個溫度t下，取不同的k值，從k=1至k=L，分別計(jì)算步驟3）～6）。

3）通過當(dāng)前取得的數(shù)值，由狀態(tài)產(chǎn)生函數(shù)，系統(tǒng)便隨機(jī)生成一個新的狀態(tài)值S′。

4）得到 f(S′)后，計(jì)算前后狀態(tài)的差值 Δ=f(S′)-f(s)，其中 f(s)為適應(yīng)度函數(shù)。

5）若 Δ＜0，則系統(tǒng)接受 S′為新的產(chǎn)生狀態(tài)；如若不然，則在（0,1）區(qū)間隨機(jī)生成隨機(jī)數(shù)rand，以概率exp(-Δ/t)＞rand接受S′為新的狀態(tài)。

6）若系統(tǒng)取值滿足終止條件，則把當(dāng)前獲得的解作為最優(yōu)解，結(jié)束算法；否則，重新降低溫度t，并且返回步驟2）。

2.2 基于粒子群優(yōu)化算法的調(diào)度優(yōu)化

粒子群優(yōu)化算法（Particle Swarm Optimization,PSO）最早由Kenney與 Eberhart于1995年提出的[3]，其算法的基本思想:初始化一群粒子，每次迭代中，粒子通過跟蹤兩個極值跟蹤自己，粒子本身找到的歷史最后解（個體極值點(diǎn)pbest）以及整個種群目前找到的最好解（全局極值點(diǎn)gbest），然后需要計(jì)算粒子的適應(yīng)值，以判斷粒子位置距最優(yōu)點(diǎn)的距離，每次迭代中，根據(jù)適應(yīng)度值更新gbest和pbest。其中迭代終止的條件是設(shè)置最大迭代次數(shù)或全局最優(yōu)位置滿足預(yù)定最小適應(yīng)閥值。

假設(shè)由n個以自由形態(tài)存在的粒子存在于N維空間中；

粒子i的位置：xi=(xi1,xi2,…xid)將xi代入適應(yīng)函數(shù)f(xi)求適應(yīng)值；

粒子 i的速度：vi=(vi1,vi2,…vid)；

粒子i的個體極值點(diǎn)位置：pbesti=(pi1,pi2…pid)；

種群的全局極值點(diǎn)位置：gbest=(g1,g2,…gd)

粒子i在N維空間中的速度位置更新公式：

粒子i在N維空間中的位置更新公式xin=xin+vin

c1,c2-學(xué)習(xí)因子，經(jīng)驗(yàn)取值c1=c2=2，調(diào)節(jié)學(xué)習(xí)最大步長；

r1和r2-兩個隨機(jī)數(shù)，取值范圍（0,1）以增加搜索隨機(jī)性；

w-慣性因子，w≥0，它的作用是在解空間中自動確定搜索范圍；粒子群優(yōu)化算法的流程圖如圖2所示。

圖2 粒子群優(yōu)化算法的流程圖

2.3 實(shí)現(xiàn)有序充電可行性分析

上述兩種算法，都調(diào)理清晰的闡述了建立模型的基本步驟，可以根據(jù)用戶充電規(guī)律，任意采用兩種模擬方法，來模擬出用戶充電需求，通過對電動汽車在有序充電和無序充電種情形下充電站運(yùn)行的經(jīng)濟(jì)效益及配電變壓器負(fù)載情況，實(shí)現(xiàn)對電動汽車有序充電調(diào)度。

3 電動汽車未來技術(shù)暢想

隨著超級電容、超級充電樁等設(shè)備數(shù)量的增多和其性能的不斷提高，電動汽車將迎來一個高速的發(fā)展過程，尤其是電動汽車與智能電網(wǎng)的融合技術(shù)、電動汽車與物聯(lián)網(wǎng)融合技術(shù)，一旦這些前瞻性技術(shù)成熟，必將為電動汽車在電網(wǎng)調(diào)度的控制下實(shí)現(xiàn)有序充電提供可能，以減小對電網(wǎng)的沖擊。

3.1 電動汽車成為智能電網(wǎng)的一部分

電動汽車與智能電網(wǎng)的融合 （Vehicle to Grid,V2G）最近得到美國、德國的重視。V2G的概念體現(xiàn)了電動汽車與電網(wǎng)的關(guān)系，使得電動汽車能與電網(wǎng)協(xié)調(diào)連接，從而實(shí)現(xiàn)最優(yōu)化的充電模式。理想的V2G平臺式車輛在非高峰時段自動充電，在高峰時段放電，以替代效率較低的調(diào)峰電廠。最近美國和德國就V2G技術(shù)專門進(jìn)行了磋商，欲打造一個充滿活力、運(yùn)行效率極高的電網(wǎng)系統(tǒng)。

3.2 電動汽車成為物聯(lián)網(wǎng)的重要組成部分

物聯(lián)網(wǎng)的定義是:通過射頻識別(RFID)、紅外感應(yīng)器、全球定位系統(tǒng)、激光掃描器等信息傳感設(shè)備,按約定的協(xié)議,把任何物品與互聯(lián)網(wǎng)連接起來,進(jìn)行信息交換和通訊,以實(shí)現(xiàn)智能化識別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)[4]；未來電動汽車將通過整合全球定位系統(tǒng)（GPS）導(dǎo)航技術(shù)、車對車交流技術(shù)、無線通信及遠(yuǎn)程遙感技術(shù)和智能交通技術(shù)等實(shí)現(xiàn)人與車、車與車、車與充電網(wǎng)絡(luò)等之間的互動，將道路、交通、車輛和充電網(wǎng)絡(luò)等全部置于計(jì)算機(jī)控制之下，構(gòu)成一個復(fù)雜高效的管理系統(tǒng)。

4 結(jié)束語

本文總結(jié)了國內(nèi)外電動汽車發(fā)展的現(xiàn)狀，通過引入模擬退火算法和粒子群優(yōu)化算法，分析了建立電動汽車充電負(fù)荷調(diào)度的模型的可行性。本文僅從理論層次作了簡要的探討，希望能為接下來的研究工作提供一定地參考。

［1］黃潤.電動汽車入網(wǎng)對電網(wǎng)負(fù)荷影響的研究[D].上海交通大學(xué),2012.

［2］辛振銘.一種改進(jìn)的模擬退火算法在TSP問題中的研究與應(yīng)用[D].東北師范大學(xué),2010.

［3］姚耀中,徐玉如.粒子群優(yōu)化算法分析[J].哈爾濱工程大學(xué)學(xué)報(bào),2007,28(11):1242-1246.

［4］王英武,劉肖驄.淺析物聯(lián)網(wǎng)技術(shù)在智能電網(wǎng)發(fā)展中的應(yīng)用研究[J].中國電力教育,2011,03(190):111-114.